BAB II

TINJAUAN PUSTAKA

2.1 Tinjauan Empiris

Ada beberapa penelitian terkait yang pernah dilakukan mengenai Penerapan

Metode Probabilitas Bayesian dan Nearest Neighbour dalam Sistem Pakar

Berbasis Case Based Reasoning (CBR) yaitu:

1. Sistem Pakar Untuk Mendiagnosa Penyakit Gagal Ginjal Dengan

Menggunakan Metode Bayes (Sri Rahayu. 2013)

Adapun tujuan yang akan dicapai adalah untuk membuat aplikasi

sistem pakar yang berguna sebagai alat bantu untuk mendapatkan

informasi dan dugaan awal dalam mendiagnosa penyakit gagal ginjal.

Hasil dalam penelitian ini adalah sistem pakar untuk mendiagnosa

penyakit gagal ginjal dengan menggunakan metode bayes dapat

menyelesaikan masalah diagnosis penyakit gagal ginjal, karena dapat

memberikan hasil diagnosis dengan nilai probabilitas kemunculan setiap

jenis penyakit. Dari perhitungan maka dapat dipastijan bahwa pasien

menderita penyakit gagal ginjal kronis dengan nilai 63.922%.

2. Implementasi Case-Based Reasoning Untuk Pendukung Dokter Jaga

Dalam Mendiagnosa Penyakit Pada RSU PKU Muhammadiyah

Delanggu (Ardian Nur Romadhan, 2013)

Keberadaan sistem ini diharapkan dapat membantu kerja dokter

pada RSU PKU Muhammadiyah Delanggu dalam melakukan diagnosa

yang menghasilkan keluaran berupa kemungkinan penyakit dan saran

pengobatan yang didasarkan pada persamaan kasus baru dengan

pengetahuan yang dimiliki sistem. Dari perhitungan yang dilakukan

peneliti pada kasus ini maka kesimpulannya yang didapatkan adalah

kasus K1 dengan tingkat kemiripan sebesar 0.777, atau 77,7% merupakan

kasus terdekat dengan similarty tertinggi terhadap kasus baru.

3. Pengembangan Sistem Cerdas Menggunakan Penalaran Berbasis

Kasus (Case Based Reasoning) Untuk Mendiagnosa Penyakit Akibat

Virus Eksantema (Agus Sasimito Aribowo, 2010)

Seiring perkembangan ilmu pengetahuan dan teknologi informasi

maka keberadaan seorang ahli dapat digantikan oleh komputer. Sistem ini

dinamai dengan Sistem Pakar. Biaya pembuatan Sistem Pakar relatif lebih

murah bila dibandingkan untuk menjadi seorang pakar. Sistem ini dapat

digunakan pada lingkungan kerja yang mungkin dapat membahayakan

manusia, misalnya di daerah endemi. Sifat kepakaran yang dimilikinya

permanen, dapat dikembangkan, dan umumnya dilengkapi dengan

fasilitas yang dapat mengolah proses penalaran yang digunakan untuk

menarik kesimpulan. Karena memiliki sifat komputer maka responnya

cepat dan dapat diandalkan setiap saat. Untuk lebih fokus dalam

pembangunan sistem pakar tersebut, maka sistem akan dibatasi untuk

mendeteksi sebelas penyakit yang diakibatkan oleh Eksantema Virus

antara lain: Varisela (Chicken pox, cacar air), Variola (Small pox, cacar),

Rubeola (Measles, campak), Rubela (German measles, campak jerman),

Infeksi Enterovirus, Hand-Foot-and-Mouth Syndrome, Mononukleosis

Infeksiosa, Infeksi Cytomegalovirus Kongenital, Roseola Infantum

(eksantema subitum), Eritema Infeksiosum, Sindrom Gianotti – Crust.

Pendekatan penalaran menggunakan penalaran berbasis kasus (Case

Based Reasoning), artinya sistem pakar akan melakukan diagnosa dengan

cara mencocokkan kasus baru yang hendak didiagnosa dengan mencari

kasus-kasus yang mirip atau hampir mirip di yang sudah pernah direkam

dalam sistem. Kemudian solusi dari kasus direkam tersebut dijadikan

rekomendasi solusi kasus baru tersebut. Dari perhitungan yang dilakukan

peneliti pada kasus ini maka kesimpulannya yang didapatkan adalah

kasus terdekat adalah kasus K1 dengan tingkat kemiripan sebesar 0.452,

atau 45,2% dengan kasus baru.

4. Implementasi Case Based Reasoning Untuk Sistem Diagnosis

Penyakit Anjing (Fransica Octaviani S, Joko Purwadi, dan Rosa Delima)

Pada penelitian ini penulis menerapkan metode CBR untuk

membangun sebuah sistem yang memiliki kemampuan mendiagnosa

penyakit pada anjing. Proses diagnosa penyakit pada anjing memang

sebaiknya dilakukan oleh seorang pakar yang merupakan seorang dokter

hewan, namun dikarenakan anjing merupakan hewan peliharaan yang

umum dimiliki oleh masyarakat dan biaya untuk konsultasi ke dokter

hewan juga cukup mahal maka sebagian masyarakat yang memiliki

anjing biasanya melakukan pengobatan sendiri terhadapt anjing mereka

yang sedang sakit. Minimnya pengetahuan yang dimiliki oleh masyarakat

dapat menyebabkan penanganan yang salah terhadap anjing peliharaan

mereka dan hal ini dapat berdampak fatal dan tidak jarang mengakibatkan

kematian pada hewan peliharaannya. Keberadaan sistem ini diharapkan

dapat membantu masyarakat dalam melakukan diagnosa awal terhadap

penyakit yang diderita anjing mereka dan memberikan saran pengobatan

terhadap penyakit tersebut. Dari perhitungan diatas kasus yang memiliki

bobot kemiripan paling rendah adalah kasus ID 74 yaitu sebesar 0,7058.

Kasus ID 81 dan ID 137 menghasilkan bobot kemiripan yang hampir

sama tinggi yaitu 0,9333 dan 0,9286, hanya selisih sedikit saja yaitu

sebesar 0,0047.

2.2 Tinjauan Teoritis

2.2.1 Kecerdasan Buatan (Artifical Intelligence)

Kecerdasan buatan berasal dari kata Artificial Intelligence yang mengandung

arti tiruan dan kecerdasan. Kecerdasan buatan merupakan salah satu bagian ilmu

komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan

seperti dan sebaik yang dilakukan oleh manusia.

Aplikasi kecerdasan buatan terdiri dari 2 bagian utama yang harus dimiliki,

diantaranya :

a. Basis Pengetahuan (Knowledge-Base), berisi fakta-fakta, teori, pemikiran

dan hubungan antara satu dengan lainnya.

b. Motor Inferensi (Inference Engine), yaitu kemampuan menarik kesimpulan

berdasarkan pengalaman.

Kunci dari Artificial Intelligence yaitu adanya pengetahuan berupa fakta-

fakta, konsep-konsep, teori-teori, prosedur-prosedur, dan hubungan-hubungan

yang didapat dari proses pendidikan dan latihan. Sekumpulan pengetahuan

yang dihubungkan dengan suatu permasalahan yang digunakan dalam sistem

kecerdasan buatan disebut dengan Knowledge Base atau basis pengetahuan.

Kecerdasan buatan akan menggunakan basis pengetahuan sebagai dasar

penarikan kesimpulan oleh komputer, sehingga komputer akan mampu

mengambil kesimpulan dan memutuskan suatu keadaan dan relasinya sesuai

dengan yang dituliskan dalam basis pengetahuan.

1.2.2 Sistem Pakar (Expert System)

1.2.2.1 Konsep Dasar Sistem Pakar

Secara umum, sistem pakar (Expert System) adalah sistem yang berusaha

mengadopsi pengetahuan manusia ke komputer, agar komputer dapat

menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Sistem pakar

yang baik dirancang agar dapat menyelelasikan suatu permasalahan tertentu

dengan meniru kerja dari para ahli. Dengan sistem pakar ini, orang awampun

dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat

diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar ini juga akan

membantu aktivitasnya sebagai asisten yang sangat berpengalaman. Ada beberapa

definisi tentang sistem pakar, antara lain :

a. Sistem pakar adalah sistem berbasis komputer yang menggunakan

pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah,

yang biasanya hanya dapat diselesaikan oleh seorang pakar dalam bidang

tertentu (Martin dan Oxman, 1988).

b. Sistem pakar merupakan bidang yang dicirikan oleh sistem berbasis

pengetahuan (Knowledge Base System), memungkinkan komputer dapat

berfikir dan mengambil keputusan dari sekumpulan kaidah (Ignizio, 1991).

c. Sistem pakar adalah program komputer yang didesain untuk meniru

kemampuan memecahkan masalah dari seorang pakar. Pakar adalah orang

yang memiliki kemampuan atau mengerti dalam menghadapi suatu

masalah. Lewat pengalaman, seorang pakar mengembangkan kemampuan

yang membuatnya dapat memecahkan permasalahan dengan hasil yang

baik dan efisien (John Durkin, 1994)

d. Sistem pakar adalah salah satu cabang kecerdasan buatan yang

menggunakan pengetahuan-pengetahuan khusus yang dimiliki oleh

seorang ahli untuk menyelesaikan suatu masalah tertentu (Giarratano dan

Riley, 2005).

1.2.2.2 Bentuk Sistem Pakar

Ada 4 bentuk sistem pakar, yaitu :

1. Berdiri sendiri. Sistem pakar jenis ini merupakan software yang berdiri-sendiri

tidak tergantung dengan software yang lainnya.

2. Tergabung. Sistem pakar jenis ini merupakan bagian program yang terkandung

didalam suatu algoritma (konvensional), atau merupakan program dimana

didalamnya memanggil algoritma subrutin lain (konvensional).

3. Menghubungkan ke software lain . Bentuk ini biasanya merupakan sistem

pakar yang menghubungkan ke suatu paket program tertentu, misalnya DBMS.

4. Sistem Mengabdi. Sistem pakar merupakan bagian dari komputer khusus yang

dihubungkan dengan suatu fungsi tertentu. Misalnya sistem pakar yang

digunakan untuk membantu menganalisis data radar.

1.2.2.3 Struktur Sistem Pakar

Sistem pakar terdiri dari 2 bagian pokok, yaitu : lingkungan

pengembangan (development environment) dan lingkungan konsultasi

(consultation environment). Lingkungan pengembangan digunakan sebagai

pembangunan sistem pakar baik dari segi pembangunan komponen maupun

basis pengetahuan. Lingkungan konsultasi digunakan oleh seorang yang

bukan ahli untuk berkonsultasi.

1. Basis Pengetahuan (Knowledge Base)

Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyelesaian

masalah, tentu saja di dalam domain tertentu. Ada 2 bentuk pendekatan

basis pengetahuan yang sangat umum digunakan, yaitu :

a. Penalaran berbasis aturan (Rule-Based Reasoning)

Pada penalaran berbasis aturan, pengetahuan direpresentasikan dengan

menggunakan aturan berbentuk : IF-THEN. Bentuk ini digunakan

apabila kita memiliki sejumlah pengetahuan pakar pada suatu

permasalahan tertentu, dan si pakar dapat menelesaikan msalah

tersebut secara berurutan. Disamping itu, bentuk ini juga digunakan

apabila dibutuhkan penjelasan tentang jejak (langkah-langkah)

pencapaian solusi.

b. Penalaran berbasis kasus (Case-Based Reasoning)

Pada penalaran berbasis kasus, basis pengetahuan akan berisi solusi-

solusi yang telah dicapai sebelumnya, kemudian akan diturunkan

suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada).

Bentuk ini digunakan apabila user menginginkan untuk tahu lebih

banyak lagi pada kasus-kasus yang hampir sama (mirip). Selain itu,

bentuk ini juga digunakan apabila kita telah memiliki sejumlah situasi

atau kasus tertentu dalam basis pengetahuan.

2. Motor Inferensi (Inference Engine)

Ada 2 cara yang dapat dikerjakan dalam melakukan inferensi, yaitu :

a. Forward Chaining

Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri (IF

dulu). Dengan kata lain, penalaran dimulai dari fakta terlebih dahulu

untuk menguji kebenaran hipotesis.

b. Backward Chaining

Pencocokan fakta atau pernyataan di mulai dari bagian sebelah kanan

(THEN dulu). Dengan kata lain, penalaran dimulai dari hipotesis

terlebih dahulu, dan untuk menguji kebenara hipotesis tersebut dicari

harus dicari fakta-fakta yang ada dalam basis pengetahuan

1.2.2.4 Permasalahan Yang Disentuh Oleh Sistem Pakar

Ada beberapa masalah yang menjadi area luas aplikasi sistem pakar,

antara lain :

1. Interpretasi

Pengambilan keputusan dari hasil observasi, termasuk diantaranya

yaitu pengawasan, pengenalan ucapan, analisis citra, interpretasi

sinyal, dan beberapa analisis kecerdasan.

2. Prediksi

Termasuk diantaranya yaitu peramalan, prediksi demografis,

peramalan ekonomi, prediksi lalulintas, estimasi hasil, militer,

pemasaran, atau peramalan keuangan

3. Diagnosis

Termasuk diantaranya yaitu medis, elektronis, mekanis, dan diagnosis

perangkat lunak.

4. Perancangan

Termasuk diantaranya yaitu layout sirkuit dan perancangan bangunan.

5. Perencanaan

Termasuk diantaranya yaitu perencanaan keuangan, komunikasi,

militer, pengembangan produk, routing, dan manajemen proyek. .

1.2.3 Case Based Reasoning

Case Based Reasoning (CBR) adalah salah satu metode untuk membangun

sistem dengan pengambilan keputusan untuk memecahkan kasus atau masalah

yang baru dengan cara mengingat solusi dari kasus lama/sebelumnya dengan

menggunakan informasi dan pengetahuan pada situasi tersebut. Semakin mirip

masalah, semakin mirip pula solusinya.

CBR dapat digunakan untuk menyimpan dan menggunakan kembali

pengetahuan dari pengalaman sebelumnya. Dalam CBR pengalaman dimodelkan

ke dalam bentuk problem dan solusi dan biasa disebut dengan kasus (cases).

Berdasarkan model deskripsi suatu masalah dan solusi yang berisi hasil

penyelesaian masalah. Untuk kasus–kasus yang tersimpan dalam tempat

penyimpanan kasus (case base) disebut dengan kasus asal (source case),

sedangkan untuk yang baru akan dicari solusinya disebut dengan kasus target

(target case).

Secara umum, metode ini terdiri dari 4 langkah RE (Putri 2007, h.A130),

antara lain:

Gambar 2. 1 Tahapan Case Based Reasoning

(Sumber : Aamodt & Plaza, 1994)

1. Retrieve (penelusuran)

Proses akan dimulai dengan tahapan mengenali masalah, dan berakhir

ketika kasus yang ingin dicari solusinya telah ditemukan serupa dengan

kasus yang telah ada. Proses Retrieve akan melakukan dua langkah

pemrosesan, yaitu pencarian persamaan masalah (similar case) atau

pencarian masalah baru (new case) pada database.

2. Reuse (menggunakan kembali)

Masalah/kasus untuk mencoba memecahkan masalah/kasus. Reuse suatu

kasus dalam konteks kasus baru terfokus pada dua aspek:

a. Perbedaan antara kasus yang ada dengan kasus yang baru.

b. Bagian mana dari penelusuran kasus yang dapat digunakan pada kasus

yang baru

3. Revise (meninjau kembali/memperbaiki) usulan solusi.

Revise terdiri dari dua tugas, yaitu :

a. Mengevaluasi solusi kasus yang dihasilkan oleh proses Reuse. Jika

berhasil, maka dilanjutkan dengan proses Retain,

b. Jika tidak maka memperbaiki solusi kasus menggunakan domain

spesifik pengetahuan.

4. Retain (menyimpan)

Proses Retain akan menggunakan solusi baru sebagai bagian dari kasus

baru. Selanjutnya, solusi baru itu akan disimpan ke dalam knowledge-base

(basis pengetahuan) kemudian kasus baru di-update kedalam basis kasus

untuk menyelesaikan permasalahan yang akan datang. Tentunya,

permasalahan yang akan diselesaikan adalah permasalahan yang memiliki

kesamaan dengannya. Pada tahap ini terjadi suatu proses penggabungan

dari solusi kasus yang baru dan benar ke knowledge yang telah ada.

1.2.4 Probabilitas Bayesian

Probabilitas Bayesian merupakan salah satu cara yang baik untuk

mengatasi ketidakpastian data dengan menggunakan formula bayes yang

dinyatakan dengan persamaan (2.1) :

𝑃(𝐻|𝐸) = 𝑃(𝐸|𝐻).𝑃(𝐻)

𝑃(𝐸)………………………………………………….(2.1)

Keterangan :

P(H | E) : probabilitas hipotesis H jika diberikan evidence E

P(E | H) : probabilitas munculnya evidence apapun

P(E) : probabilitas evidence E

Dalam bidang kedokteran teorema Bayes sudah dikenal tapi teorema ini

lebih banyak diterapkan dalam logika kedokteran modern (Cutler:1991).Teorema

ini lebih banyak diterapkan pada hal-hal yang berkenaan dengan probabilitas serta

kemungkinan dari penyakit dan gejala-gejala yang berkaitan.

Berikut adalah langkah-langkah dalam perhitungan Probabilitas Bayesian

pada Case Based Reasoning (CBR) sebagai berikut

1. Melakukan proses pencarian kasus yang mirip dan dekat dengan gejala-

gejala untuk penyakit anak dari kasus yang diperoleh..

2. Membandingkan antara kasus lama dengan kasus baru. Kasus 1, 2, 3, dan

4 merupakan kasus lama. Sedangkan kasus 5 merupakan kasus baru yang

akan dibandingkan dengan 4 kasus lama tersebut. Contoh kasusnya

terdapat dalam Tabel 1.4. Kasus 1 adalah Demam Berdarah yang memiliki

3 gejala yang sama dengan kasus 5. Kasus 2 adalah Demam Berdarah yang

memiliki 4 gejala yang sama dengan kasus 5. Kasus 3 adalah Demam

Berdarah yang memiliki 3 gejala yang sama dengan kasus 5. Kasus 4

adalah Demam Thypoid yang memiliki 4 gejala yang sama dengan kasus

5.

3. Cari similarity value nya dengan cara :

𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 𝑉𝑎𝑙𝑢𝑒 = 𝑔𝑒𝑗𝑎𝑙𝑎 𝑦𝑎𝑛𝑔 𝑠𝑎𝑚𝑎

𝑗𝑢𝑚𝑙𝑎𝑕 𝑔𝑒𝑗𝑎𝑙𝑎………………………………(2.2)

4. Setelah didapatkan SV dari masing-masing kasus, maka ditentukan

MSVnya, karena disini maksimal banyaknya gejala pada satu kasus adalah

6 jadi minimal gejala yang sama pada kasus baru adalah 3. Jadi karena

Similarity Value = 3/28 = 0.1072, maka MSVnya adalah 0.1072.

5. Setelah terkumpul kasus-kasus yang memiliki MSV >= 0.1072 maka

dihitunglah kasus tersebut mengunakan metode Probabilitas Bayesian.

Awalnya adalah dicari nilai dari masing-masing kasus tersebut, seperti

berikut

𝑃(𝐾) = 𝐾𝑎𝑠𝑢𝑠 (𝐾)

𝑆𝑒𝑙𝑢𝑟𝑢𝑕 𝐾𝑎𝑠𝑢𝑠…………………………………………………(2.3)

6. Setelah diperoleh hasil dari P(K) dari masing-masing kasus, akan dicari

P(S|K) dari masing-masing kasus seperti berikut

P(S|K) = 𝑃(𝐾) ∗ 𝑗𝑢𝑚𝑙𝑎ℎ𝑔𝑒𝑗𝑎𝑙𝑎………………………………(2.4)

7. Setelah itu dicari totalnya yaitu P(S) dari semua kasus tersebut

𝑃(𝑆) = (𝑃(𝐾1) ∗ 𝑃(𝑆|𝐾1)) + (𝑃(𝐾2) ∗ 𝑃(𝑆|𝐾2)) + (𝑃(𝐾𝑛) ∗ 𝑃(𝑆|𝐾𝑛))………(2.5)

8. Setelah itu akan diperoleh hasil Probabilitas Bayesian dari masing-masing

kasus seperti berikut

𝑃(𝐾|𝑆) = 𝑃(𝑆|𝐾)∗𝑃(𝐾)

𝑃(𝑆)…………………………………………………(2.6)

1.2.5 Nearest Neighbour

Nearest Neighbour adalah pendekatan untuk mencari kasus dengan

menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan

pada pencocokan bobot dari sejumlah fitur yang ada.

Metode Nearest Neighbour merupakan teknik sederhana untuk mencari

jarak terdekat dari tiap-tiap kasus (cases) yang ada di dalam database, dan

seberapa mirip ukuran kemiripan (similarity) setiap source case yang ada di dalam

database dengan target case. Fungsi similarity pada kasus ini diformulasikan

sebagai berikut (Kusrini 2009) :

𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦(𝑇, 𝑆) = ∑ (𝑓𝑖

𝑇,𝑓𝑖𝑠)∗𝑊𝑖𝑛

𝑖=1

∑ 𝑊𝑖𝑛𝑖=1

…………………………………….(2.7)

Dengan :

T = Kasus Baru

S = Kasus yang dalam penyimpanan

n = Jumlah atribut masing – masing kasus

i = Atribut individu antara 1 s/d n

f = Fungsi similarity atribut i antara kasus T dengan kasus S

W = Bobot yang diberikan pada atribut ke i

Kemiripan biasanya jatuh dalam rentang 0 sampai dengan 1, dimana 0

sama sekali tidak ada kasus yang cocok atau mirip, dan nilai 1 berarti 100%

cocok. Kasus baru (T) merupakan kasus yang akan dijadikan target dan akan

dibandingkan dengan source case. Jumlah keseluruhan atribut (n) yaitu jumlah

atribut yang ada dalam kasus.

Setelah similarity antar kasus baru dan semua kasus yang disimpan telah

dihitung, kasus yang paling mirip akan diambil (kasus dengan nilai kemiripan

tertinggi). Kasus-kasus ini kemudian digunakan kembali untuk membantu

memecahkan kasus baru.

Gambar 2. 2 Ilustrasi Kedekatan Kasus

(Sumber : Ardian Nur Romadhan, 2013)

Berikut adalah langkah-langkah dalam perhitungan Probabilitas Bayesian

pada Case Based Reasoning (CBR) sebagai berikut

1. Akan melakukan proses pembobotan dengan melakukan pencocokan satu

per satu antara gejala yang dmasukan dengan data yang ada di dalam basis

pengetahuan. Proses pembobotan yang dilakukan oleh sistem ditampilkan

dalam perhitungan di bawah ini. Bobot parameter (w) :

Gejala Penting = 5

Gejala Sedang = 3

Gejala Biasa = 1

Dan Bobot Nilai Gejalanya adalah

Sangat Dirasakan = 1

Cukup Dirasakan = 0.67

Sedikit Dirasakan = 0.33

Dan untuk nilai pendekatan di setiap gejala nya seperti pada Tabel 1.5

2. Cari Similarity dari dengan membandingkan Kasus Baru dan Semua

Kasus Lama seperti berikut

𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦(𝑛) =bobot

SumBobot…………………………………(2.9)